Supervisionados: quando o algoritmo recebe informações sobre cada lição, bem como os rótulos associados a ela, tendo um papel importante em relação à previsão. Por exemplo, se é desejado prever se um paciente é mais suscetível à tosse com o uso de inibidores da enzima de conversão da angiotensina, a análise deve ser realizada baseada em um banco de dados saudáveis contendo um grupo de pacientes que demonstrou essa reação e em outro grupo no qual esse fato não foi observado.

Não-supervisionado: quando os rótulos das lições não são fornecidos a priori , cabe ao algoritmo encontrar estruturas ocultas no banco de dados. Um exemplo hipotético é a clusterização de um banco de dados de pacientes com cardiomiopatia hipertrófica de acordo com os achados de exame de imagem.

Reforço: inspirado na biologia comportamental, é um tipo de aprendizado baseado em recompensa.^{18 , 19}

Support Vector Machine(SVM): utilizada por Samad et al.,²² para prever com sucesso a deterioração da função ventricular em pacientes submetidos a reparo da tetralogia de Fallot a partir de um banco de dados de 153 pacientes com dados clínicos, eletrocardiográficos e de ressonância magnética cardíaca. Em relação à previsão de qualquer deterioração (menor ou maior) vs. nenhuma deterioração, a média da área sob a curva (AUC) foi de 0,82 ± 0,06.²² Berikol et al.²³ utilizaram dados clínicos, laboratoriais (níveis de troponina I e CK-MB), do ECG e ecocardiográficos de 228 pacientes que apresentaram dor no peito no pronto-socorro para classificação quanto à presença ou ausência de Síndrome Coronariana Aguda. Precisão, sensibilidade e especificidade foram, respectivamente, 99,19, 98,22 e 100%.²³ Betancur et al.,²⁴ também utilizaram o SVM para definir com maior precisão o posicionamento do plano da válvula (PV) mitral durante a segmentação ventricular esquerda nos exames de Tomografia Computadorizada por Emissão de Fóton Único (SPECT). Imagens de 392 pacientes foram analisadas e os bons resultados obtidos foram compatíveis com a opinião de especialistas da área – AUC: 0,82 [0,74-0,9] para detecção regional de áreas de estenose obstrutiva e áreas de déficit de perfusão total isquêmica.²⁴

Naive Bayes(NB): Paredes et al.,²⁵ utilizaram uma fusão de NB e algoritmo genético para prever o risco de ocorrência de eventos cardiovasculares (por exemplo, hospitalização ou morte), com base em dados de 559 pacientes com Síndrome Coronariana Aguda - Infarto do Miocárdio sem Supradesnivelamento do Segmento ST (SCA-IAMSST). Sensibilidade e especificidade foram, respectivamente, 79,8, e 83,8.²⁵

K-nearest neighbors(KNN): Al-Mallah et al.,²⁶ compararam a previsão de mortalidade por todas as causas em 10 anos entre o modelo de regressão logística clássico e o KNN, considerando um banco de dados de 34.212 pacientes com informações clínicas e informações obtidas após o teste de esforço em esteira utilizando o protocolo padrão de Bruce.²⁶ Os resultados obtidos por essa ferramenta de ML mostraram sensibilidade de 87,4% e especificidade de 97,2%, melhores do que o desempenho preditivo do tradicional escore de risco Atherosclerosis Cardiovascular Disease Risk Score (ASCVD).

Genetic algorithms(GA): Smisek et al.,²⁷ desenvolveram um dispositivo wearable (“vestível”) para detectar arritmias a partir do registro de informações de um eletrocardiograma de derivação única. Os dados foram analisados a partir de uma combinação do (SVM), árvore de decisão e regras baseadas em limiares. Algoritmos genéticos foram usados para selecionar as características mais adequadas a serem utilizadas no trabalho. Em relação à detecção de fibrilação atrial, obteve-se um escore F1 (média harmônica de valor preditivo positivo e sensibilidade) de 0,81.²⁷ Stuckey et al.,²⁸ utilizaram a Análise de Tomografia Espacial de Fase Cardíaca – um método pioneiro que dispensa o uso de radiação e contraste, bem como a realização de testes de esforço ou farmacológico – combinado com modelos de ML (por exemplo, algoritmos genéticos) para analisar os sinais da fase torácica. Neste estudo, os autores utilizaram essa ferramenta para avaliar pacientes com doença coronariana e dor torácica que foram encaminhados pelo médico para realizar uma angiografia. Foram estudados 606 pacientes e os resultados mostraram sensibilidade de 92%, especificidade de 62% e valor preditivo de 96% para doença coronariana.²⁸

Random Forests(RF): Samad et al.,²⁹ analisaram um banco de dados composto por variáveis clínicas e eletrocardiográficas para avaliar a sobrevida em 10 diferentes períodos de tempo (variando de 6 a 60 meses), considerando um total de 171.510 pacientes. A RF foi utilizada, com excelentes resultados, melhor do que aqueles obtidos por meio de escores tradicionais, como o escore de risco de Framingham e o escore das diretrizes da ACC/AHA. A área sob a curva (AUC) foi superior a 0,82.²⁹ Ambale-Venkatesh, et al.,³⁰ utilizaram informações de testes não invasivos, questionários, biomarcadores e exames de imagem de 6.814 pacientes para construir 739 variáveis (características), a fim de aplicar uma variante do RF – chamada survivor random forests ³¹ – para prever eventos cardiovasculares. (morte por todas as causas, acidente vascular cerebral, todas as doenças cardiovasculares, doença coronariana, fibrilação atrial e insuficiência cardíaca), que apresentou um desempenho melhor do que os escores de risco estabelecidos, como por exemplo, MESA-CHD, AHA/ASCVD e o escore de Framingham, com maior acurácia na previsão (diminuição de 10%-25% do escore de Brier)^{30 , 31} .

K-means: Cikes et al.,³² utilizaram um banco de dados composto por variáveis clínicas e parâmetros ecocardiográficos para os quais foram aplicados dois modelos de ML, K-means e Multiple Kernel Learning , a fim de categorizar os pacientes em grupos mutuamente exclusivos para avaliar a resposta à terapia de ressincronização cardíaca. Foram analisados 1.106 pacientes e identificados quatro grupos disjuntos, dois deles com a melhor resposta à terapia.³²

Artificial Neural Networks(ANN): Kwon et al.,³³ em um estudo multicêntrico com 52.131 pacientes, construíram um sistema de alerta precoce baseado em aprendizado profundo capaz de prever a ocorrência de parada cardíaca em um hospital. O modelo demonstrou alto desempenho quando comparado aos sistemas tradicionais do tipo “ track-and-trigger ” (rastreamento e disparo). A área sob a curva foi de 0,82.³³ Rubin et al.,³⁴ tiveram resultados preliminares promissores com o uso de redes neurais com arquitetura convolucional para avaliar sinais eletrocardiográficos e classificá-los em fibrilação atrial, ritmo sinusal (normal) ou ruído – o escore F1 alcançado foi de 0,82.³⁴ Zhang et al.,³⁵ também utilizaram redes neurais convolucionais para analisar um banco de dados com 14.035 exames ecocardiográficos para detectar a presença de doenças como cardiomiopatia hipertrófica, amiloidose cardíaca e hipertensão arterial pulmonar com alto desempenho: as estatísticas C foram respectivamente de 0,93, 0,87 e 0,85.³⁵ Nakajima et al.,³⁶ utilizaram uma ANN para avaliar a presença de doença coronariana após a realização de cintilografia do miocárdio. Os resultados foram obtidos com alta precisão e desempenho superior aos escores tradicionais utilizados. Por exemplo, a AUC para pacientes com infarto do miocárdio antigo com base em defeitos na fase de repouso foi de 0,97.³⁶

Gradient Boosting(GB): Mortazavi et al.,³⁷ utilizaram o GB para predizer o risco de sangramento após intervenção coronária percutânea e demonstraram que essas ferramentas podem ajudar a identificar pacientes que se beneficiariam de estratégias objetivando a redução do risco de sangramento. Foram analisados 3.316.465 procedimentos e obtida uma estatística C de 0,82³⁷ . Hernesniemi et al.,³⁸ também propuseram um GB para prever a mortalidade na síndrome coronariana aguda, analisando 9.066 pacientes consecutivos. A AUC foi de 0,89 e o modelo apresentou melhor desempenho do que o do escore tradicional GRACE.³⁸

Desafio 1 – limites éticos de uso (uso indevido): como toda tecnologia disruptiva, os limites da ética precisam ser repensados e amplamente discutidos. Os algoritmos de ML podem ser mal utilizados e enganosos. Como exemplo, uma obra de grande repercussão foi publicada por Wang e Kosinski (2018). Os autores usaram aprendizado profundo e obtiveram resultados expressivos para prever se um indivíduo é gay ou não em um banco de dados de imagens dos rostos dos participantes do estudo.⁵⁵ De maneira similar, os mesmos algoritmos de IA podem ser utilizados para detectar, por exemplo, se um paciente desenvolverá ou não fibrilação atrial ou qualquer cardiomiopatia futura. Essas informações poderiam ser utilizadas pelas empresas para aumentar os valores de seus planos de saúde ou até mesmo negar a associação ao plano devido a um alto custo? E se for detectado que um bebê nascerá com doença cardíaca congênita devido à análise dos dados genéticos, clínico-laboratoriais e de imagem (ou outros) de seus pais? Isso poderia abrir espaço para um tipo de neoeugenia. Esse debate ganhou uma ênfase adicional com o surgimento da técnica CRISP-Cas9, que permite a edição do DNA.⁵⁶ Nesse contexto, ao estimular um debate com a sociedade sobre o assunto, a transparência e a regulamentação são pilares fundamentais a serem preservados.

Desafio 2 – melhorar o conhecimento de matemática: o advento desse novo tipo de ser humano inacreditável ( Homo incredibile ), que apoia suas decisões em dados, carrega consigo o papel fundamental da matemática e da computação nesta revolução atualmente em andamento. Essa revolução trará possibilidades inimagináveis na prática médica, como a construção de phenomappings de qualidade – modelos de ML desenvolvidos com o objetivo de agrupar pacientes em função de sua grande massa de características fenotípicas, a fim de facilitar o processo de tomada de decisão.⁵⁷ Assim, é necessário que essas competências sejam estimuladas precocemente, principalmente com foco na solução de problemas relacionados à realidade para a qual se deseja promover melhorias. Isso certamente se refletirá na necessidade de reformular o conteúdo cardiovascular (e por que não dizer, o conteúdo médico em geral) dos cursos de graduação e pós-graduação em Medicina: uma educação passiva ou meramente expositiva, com uma carga extensa e priorizando a capacidade de memória do aluno, parece cada vez mais inadequada, pois se percebe que a Medicina deve ser um espaço de criatividade e geração de valor.

Desafio 3 – obtenha dados saudáveis: o uso de dados saudáveis é de valor fundamental para o sucesso dos algoritmos. Assim, é necessário que as unidades de saúde incentivem seus profissionais de saúde a respeito do rigor no nível de preenchimento/obtenção de dados, bem como a manutenção de qualquer fonte de dados, de formulários, prontuários eletrônicos, dados de imagem ou mesmo dados não convencionais, como os obtidos por Medina et al.⁵⁸ – que desenvolveram uma ferramenta de saúde de redes sociais online ( Online Social Networks Health ) bem-sucedida, na qual o próprio paciente insere anonimamente informações de monitoramento de saúde, incluindo dados fisiológicos, atividades diárias, estados emocionais e interação com outros pacientes.⁵⁸ Portanto, o gerenciamento de dados se torna tão importante quanto outros comportamentos de rotina na medicina baseada em evidências, como lavagem adequada das mãos ou até o uso de um desfibrilador durante uma parada cardíaca. Dessa maneira, a formação de equipes de dados multidisciplinares e o treinamento constante das equipes assumem um papel primordial. Vale ressaltar que grande parte da lentidão e dificuldade que algumas unidades de saúde têm no uso de modelos de ML está ligada a dados saudáveis ausentes ou incipientes.

Desafio 4 – obtenha segurança: o advento dessas ferramentas traz consigo uma preocupação fundamental com a segurança dos dados, a um nível nunca experimentado, pois o acesso a esses dados por pessoas não autorizadas pode levar a consequências catastróficas para as instituições de saúde e para os pacientes. A criação de uma equipe de segurança desempenha um papel importante nesse novo processo. O Regulamento Geral de Proteção de Dados ( General Data Protection Regulation ) representa um avanço nessa direção. Blockchain e suas variantes são ferramentas importantes que podem melhorar substancialmente a segurança.

Desafio 5 – necessidade de colaboração (o provérbio Africano): há um provérbio africano que diz: “ se você quer ir rápido, vá sozinho, mas se quiser ir longe, vá com muitos ”. Isso se aplica muito a esse ambiente de dados: a colaboração entre instituições permite a construção de enormes bancos de dados saudáveis ( Big Data ), o que tende a favorecer o desempenho dos algoritmos de ML.

Desafio 6 – lidando com erros: Uma questão importante diz respeito aos erros dos modelos de IA. É inadequado acreditar que esses modelos estão livres de erros. Por exemplo, pode ser o resultado de sobreajuste ou da ocorrência de dados não íntegros – que tornam os resultados não confiáveis. No entanto, a prática mostrou alto desempenho em várias aplicações. Esses modelos são probabilísticos e é sempre desejável que seus erros sejam mínimos. Esse cenário tem implicações clínicas, por exemplo, um modelo de IA que prevê com 99% de probabilidade que um paciente tem maior propensão do que a população em geral a ter miocardite cardíaca ou amiloidose. Há uma probabilidade, embora pequena, de que isso não ocorra e de que o procedimento adotado pelo cardiologista seja inadequado. Nesse caso, a questão é quem pode ser responsabilizado nesses casos? É apropriado? O paciente deve assinar um termo de consentimento nesses casos? Certamente, a solução inclui uma regulamentação robusta do uso dessas ferramentas e o fortalecimento de um novo tipo de relacionamento: médico-paciente-dados.

Desafio 7 – gestão de cuidados baseados em dados: enquanto as ferramentas de ML seguem um caminho inexorável, por outro lado, vários profissionais de saúde continuam com medo dessas ferramentas devido a sua possível capacidade de substituir os médicos em suas tarefas. Entretanto, quando a história da Medicina é lembrada, vale ressaltar, por exemplo, que o aparecimento de máquinas automatizadas para realizar o hemograma não substituiu o hematologista, mas resultou em uma maior velocidade do processo de trabalho e permitiu ao profissional atuar em outras questões importantes da especialidade. A ideia central é fornecer melhor suporte para a tomada de decisão, incluindo melhor desempenho. Trata-se da gestão assistencial baseada em dados, com alto dinamismo e atualização constante – o que promoverá maior personalização do cuidado⁵⁹ e avaliação em tempo real da experiência dos usuários do sistema de saúde, visando gerar valor para o paciente. Nesse contexto, as tarefas mecânicas serão substituíveis e uma diversidade de novas tarefas será incluída na rotina do cardiologista de precisão, desde a construção adequada das bases de dados até a reflexão crítica sobre os resultados obtidos pelos modelos matemático-computacionais, bem como o desenvolvimento de um relacionamento médico-paciente-dados adequado. Portanto, há uma migração de habilidades humanas, bem como a expansão de suas capacidades a partir do surgimento de novas ferramentas, que devem fazer parte do arsenal técnico do cardiologista do século XXI. Esse panorama nos permite comparar os modelos de ML a um cavalo e os médicos a jóqueis: “ quem corre é o cavalo, você precisa ser o jóquei ”.